Redes Neurais de Classificação e Regressão Aplicadas no Contexto de Iluminação Pública

Detalhes bibliográficos
Autor(a) principal: Cerqueira, Matheus Oliver de Carvalho
Data de Publicação: 2023
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFBA
Texto Completo: https://repositorio.ufba.br/handle/ri/39696
Resumo: A relevância da iluminação pública para vários aspectos cotidianos como segurança e mobilidade motiva a utilização de tecnologias que aperfeiçoem a prestação do serviço à população nas diversas fases de implementação. Como complemento aos softwares especializados em simulações, propõe-se, neste trabalho, utilizar técnicas de aprendizado de máquina para garantir a conformidade com os padrões de projetos, expostos na Norma Brasileira 5101. Explorando os conceitos relacionados a iluminação pública e redes neurais, são implementados Multilayer Perceptron (MLP) utilizando backpropagation, de regressão, para determinar parâmetros de Iluminância e sua uniformidade (requisitos parciais ao atendimento da norma) e classificação (que utiliza os valores de iluminância e sua uniformidade para definir adequação à norma). Os modelos são treinados e testados com parâmetros reais de configurações de malha e de dispositivos luminosos em simulações de projetos para informar se um conjunto de dados de projeto está adequado aos padrões estabelecidos pela norma. Os MLPs de regressão e classificação conseguiram MSE de 0,002 e 97,26% de acurácia, respectivamente.
id UFBA-2_8ec2a3a03862e7d2b0cafe8fc75b86ab
oai_identifier_str oai:repositorio.ufba.br:ri/39696
network_acronym_str UFBA-2
network_name_str Repositório Institucional da UFBA
repository_id_str 1932
spelling 2024-07-30T01:50:41Z2024-07-30T01:50:41Z2023-12-15https://repositorio.ufba.br/handle/ri/39696A relevância da iluminação pública para vários aspectos cotidianos como segurança e mobilidade motiva a utilização de tecnologias que aperfeiçoem a prestação do serviço à população nas diversas fases de implementação. Como complemento aos softwares especializados em simulações, propõe-se, neste trabalho, utilizar técnicas de aprendizado de máquina para garantir a conformidade com os padrões de projetos, expostos na Norma Brasileira 5101. Explorando os conceitos relacionados a iluminação pública e redes neurais, são implementados Multilayer Perceptron (MLP) utilizando backpropagation, de regressão, para determinar parâmetros de Iluminância e sua uniformidade (requisitos parciais ao atendimento da norma) e classificação (que utiliza os valores de iluminância e sua uniformidade para definir adequação à norma). Os modelos são treinados e testados com parâmetros reais de configurações de malha e de dispositivos luminosos em simulações de projetos para informar se um conjunto de dados de projeto está adequado aos padrões estabelecidos pela norma. Os MLPs de regressão e classificação conseguiram MSE de 0,002 e 97,26% de acurácia, respectivamente.The relevance of public lighting for various everyday aspects such as security and mobility motivates the use of technologies that improve service provision to the population in the many implementation phases. As a complement to software specialized in simulations, this work proposes to use learning machine techniques to ensure compliance with Brazilian Standard 5101. Exploring concepts related to public lighting and networks neural networks, Multilayer Perceptron (MLP) is implemented using backpropagation, for regression, to determine illuminance parameters and their uniformity (requirements partial compliance with the standard) and classification (which uses illuminance and its uniformity to define compliance to the standard). Models are trained and tested with real parameters of mesh configurations and lighting devices in simulations of projects to inform whether a project data set meets standards established by the standard. Regression and classification MLPs achieved MSE of 0.002 and 97.26% accuracy, respectively.porUNIVERSIDADE FEDERAL DA BAHIAENGENHARIA DE COMPUTAÇÃO - NOTURNOUFBABrasilEscola Politécnicapublic street lightingartificial neural networksMultilayer Perceptronback- propagationCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAiluminação públicaredes neurais artificiaisMultilayer PerceptronbackpropagationRedes Neurais de Classificação e Regressão Aplicadas no Contexto de Iluminação PúblicaClassification and Regression Neural Networks Applied in the Context of Public LightingBachareladoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionFernandes Júnior, Antônio Carlos Lopes2586671440653430Santos, Wild Freitas da Silvahttp://lattes.cnpq.br/9155906167068438Fernandes Júnior, Antônio Carlos Lopeshttp://lattes.cnpq.br/2586671440653430Silva, Kleber Freire dahttp://lattes.cnpq.br/1660829826673297Viana, Luiz Alberto Guimarãeshttp://lattes.cnpq.br/45525556947800120009-0005-5908-1233http://lattes.cnpq.br/3753902969304129Cerqueira, Matheus Oliver de CarvalhoASSOCIAÇÃO BRASILEIRA DA INDÚSTRIA DE ILUMINAÇÃO. Uso de LED pode reduzir em 50% o consumo de energia. 2015. Disponível em: <https://www.abilux.com. br/noticia/uso_de_led_pode_reduzir_em_50__o_consumo_de_energia/>. Citado na página 19. ASSOCIAÇÃO BRASILEIRA DA INDÚSTRIA DE ILUMINAÇÃO. Guia para Iluminação Pública - Volume 1. [S.l.], 2021. Disponível em: <https://www.abilux.com.br/ docs/Abilux_Guia_IluiminacaoPublica_2021_volume-01.pdf>. Citado 4 vezes nas páginas 19, 20, 27 e 29. ASSOCIAÇÃO BRASILEIRA DA INDÚSTRIA DE ILUMINAÇÃO. Guia para Iluminação Pública - Volume 2. [S.l.], 2021. Disponível em: <https://www.abilux.com.br/ docs/Abilux_Guia_IluiminacaoPublica_2021_volume-02.pdf>. Citado na página 29. ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. Norma Brasileira 5101: Iluminação pública - Procedimento. 2018. Disponível em: <www.abnt.org.br>. Citado 5 vezes nas páginas 19, 23, 24, 28 e 29. BAKRI, B. I. et al. USING DEEP LEARNING TO DESIGN AN INTELLIGENT CONTROLLER FOR STREET LIGHTING AND POWER CONSUMPTION. Eastern-European Journal of Enterprise Technologies, Technology Center, v. 3, n. 8-117, p. 25–31, 2022. ISSN 17294061. Disponível em: <https://www.researchgate.net/publication/ 361877154_Using_deep_learning_to_design_an_intelligent_controller_for_street_ lighting_and_power_consumption>. Citado na página 38. BENGIO, Y.; LECUN, Y. Convolutional Networks for Images, Speech, and Time-Series. [S.l.], 1997. Disponível em: <https://www.researchgate.net/publication/2453996>. Citado na página 38. CYBENKO, G. Approximation by superpositions of a sigmoidal function. Mathematics of Control, Signals and Systems, v. 2, n. 4, p. 303–314, 12 1989. Disponível em: <https://web.njit.edu/~usman/courses/cs675_fall18/10.1.1.441.7873.pdf>. Citado 2 vezes nas páginas 37 e 49. FACELI, K. et al. Inteligência artificial: uma abordagem de aprendizado de máquina. [S.l.]: LTC, 2011. Citado 15 vezes nas páginas 20, 30, 31, 32, 33, 34, 35, 36, 37, 41, 46, 47, 48, 49 e 52. GARCES-JIMENEZ, A. et al. Analysis of Artificial Neural Network Architectures for Modeling Smart Lighting Systems for Energy Savings. IEEE Access, Institute of Electrical and Electronics Engineers Inc., v. 7, p. 119881–119891, 2019. ISSN 21693536. Disponível em: <https://www.researchgate.net/publication/334778585_Analysis_of_ Artificial_Neural_Network_Architectures_for_Modeling_Smart_Lighting_Systems_ for_Energy_Savings>. Citado na página 39. GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning. Cambridge, MA, USA: MIT Press, 2016. Disponível em: <https://www.deeplearningbook.org/>. Citado 11 vezes nas páginas 30, 31, 32, 34, 35, 36, 37, 38, 41, 48 e 49. HUANG, G. B.; ZHU, Q. Y.; SIEW, C. K. Extreme learning machine: A new learning scheme of feedforward neural networks. In: IEEE International Conference on Neural Networks - Conference Proceedings. [s.n.], 2004. v. 2, p. 985–990. ISBN 0780383591. ISSN 10987576. Disponível em: <https://ieeexplore.ieee.org/document/1380068>. Citado na página 38. HUANG, G. B.; ZHU, Q. Y.; SIEW, C. K. Extreme learning machine: Theory and applications. Neurocomputing, v. 70, n. 1-3, p. 489–501, 12 2006. ISSN 09252312. Disponível em: <https://web.njit.edu/~usman/courses/cs675_fall19/ELM-NC-2006.pdf>. Citado 2 vezes nas páginas 38 e 41. LEE, Y.; ZHANG, H.; ROSA, J. Street Lamp Fault Diagnosis System Based on Extreme Learning Machine. In: IOP Conference Series: Materials Science and Engineering. Institute of Physics Publishing, 2019. v. 490, n. 4. ISSN 1757899X. Disponível em: <https://iopscience.iop.org/article/10.1088/1757-899X/490/4/042053/meta>. Citado na página 38. MCCULLOCH, W. S.; PITTS, W. A Logical Calculus of the Ideas Immanent in Nervous Activity. The Bulletin of Mathematical Biophysics, v. 5, n. 4, p. 115–133, 12 1943. ISSN 0007-4985. Disponível em: <http://link.springer.com/10.1007/BF02478259>. Citado 2 vezes nas páginas 32 e 35. MEYER, M. et al. Lighting Brazilian Cities: Business Models for Energy Efficient Public Street Lighting. Washington, DC, 2017. Disponível em: <http: //hdl.handle.net/10986/29537>. Citado na página 19. MINISTÉRIO DE MINAS E ENERGIA. Iluminação Pública. 2022. Disponível em: <https://www.gov.br/aneel/pt-br/assuntos/iluminacao-publica>. Citado na página 19. MINSKY, M.; PAPERT, S. A. Perceptrons. Cambridge, MA, USA: The MIT Press, 1969. Disponível em: <https://direct.mit.edu/books/book/3132/ perceptronsan-introduction-to-computational>. Citado na página 35. ML GLOSSARY. Activation Functions. 2017. Disponível em: <https://ml-cheatsheet. readthedocs.io/en/latest/activation_functions.html>. Citado 2 vezes nas páginas 32 e 33. MOHANDAS, P.; DHANARAJ, J. S. A.; GAO, X. Z. Artificial Neural Network based Smart and Energy Efficient Street Lighting System: A Case Study for Residential area in Hosur. Sustainable Cities and Society, Elsevier Ltd, v. 48, 7 2019. ISSN 22106707. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S2210670718317530>. Citado na página 39. NAHID, A. A.; MEHRABI, M. A.; KONG, Y. Histopathological Breast Cancer Image Classification by Deep Neural Network Techniques Guided by Local Clustering. BioMed Research International, v. 2018, 2018. Disponível em: <httpsapi.semanticscholar.orgCorpusID13872250>. Citado na página 30. NEOENERGIA. Iluminação Pública. 2021. Disponível em: <https://www.neoenergia. com/web/bahia/poder-publico/iluminacao-publica>. Citado na página 19. OPENAI. GPT-4 Technical Report. 2023. Disponível em: <https://arxiv.org/abs/2303. 08774>. Citado na página 30. PYTHON SOFTWARE FOUNDATION. Python 3.12.0 documentation. 2023. Disponível em: <https://docs.python.org/3/>. Citado na página 41. PYTORCH FOUNDATION. Pytorch Documentation. 2023. Disponível em: <https://pytorch.org/docs/stable/index.html>. Citado 3 vezes nas páginas 20, 41 e 48. QLUZ. ESG na modernização da iluminação pública. 2022. Disponível em: <https://www.qluzpalhoca.com.br/esg/>. Citado na página 19. ROSENBLATT, F. The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, v. 65, n. 6, p. 386–408, 1958. ISSN 1939-1471. Disponível em: <http://doi.apa.org/getdoi.cfm?doi=10.1037/h0042519>. Citado na página 35. RUMELHART, D. E.; HINTON, G. E.; WILLIAMS, R. J. Learning representations by back-propagating errors. nature, Nature Publishing Group UK London, v. 323, n. 6088, p. 533–536, 1986. Citado 2 vezes nas páginas 35 e 36. SANTOS, W. F. S.; COSTA, V. S. Street Lighting Simulation based on Extreme Learning Machine. [S.l.], 2023. Disponível em: <https://www.researchgate.net/publication/ 370466269>. Citado 2 vezes nas páginas 38 e 39. SCIKIT-LEARN PROJECT. User Guide. 2023. Disponível em: <https://scikit-learn.org/ stable/user_guide.html>. Citado 3 vezes nas páginas 41, 48 e 49. WANG, J. et al. A review on extreme learning machine. Multimedia Tools and Applications, Springer, v. 81, n. 29, p. 41611–41660, 12 2022. ISSN 15737721. Disponível em: <https://link.springer.com/article/10.1007/s11042-021-11007-7>. Citado na página 38.info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFBAinstname:Universidade Federal da Bahia (UFBA)instacron:UFBAORIGINALTCC.pdfTCC.pdfapplication/pdf3738431https://repositorio.ufba.br/bitstream/ri/39696/1/TCC.pdf9d07c781a66263f17b71a3dddde6c68fMD51open accessLICENSElicense.txtlicense.txttext/plain1720https://repositorio.ufba.br/bitstream/ri/39696/2/license.txtd9b7566281c22d808dbf8f29ff0425c8MD52open accessri/396962024-07-29 22:50:41.475open accessoai:repositorio.ufba.br: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Repositório InstitucionalPUBhttp://192.188.11.11:8080/oai/requestopendoar:19322024-07-30T01:50:41Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA)false
dc.title.pt_BR.fl_str_mv Redes Neurais de Classificação e Regressão Aplicadas no Contexto de Iluminação Pública
dc.title.alternative.pt_BR.fl_str_mv Classification and Regression Neural Networks Applied in the Context of Public Lighting
title Redes Neurais de Classificação e Regressão Aplicadas no Contexto de Iluminação Pública
spellingShingle Redes Neurais de Classificação e Regressão Aplicadas no Contexto de Iluminação Pública
Cerqueira, Matheus Oliver de Carvalho
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
iluminação pública
redes neurais artificiais
Multilayer Perceptron
backpropagation
public street lighting
artificial neural networks
Multilayer Perceptron
back- propagation
title_short Redes Neurais de Classificação e Regressão Aplicadas no Contexto de Iluminação Pública
title_full Redes Neurais de Classificação e Regressão Aplicadas no Contexto de Iluminação Pública
title_fullStr Redes Neurais de Classificação e Regressão Aplicadas no Contexto de Iluminação Pública
title_full_unstemmed Redes Neurais de Classificação e Regressão Aplicadas no Contexto de Iluminação Pública
title_sort Redes Neurais de Classificação e Regressão Aplicadas no Contexto de Iluminação Pública
author Cerqueira, Matheus Oliver de Carvalho
author_facet Cerqueira, Matheus Oliver de Carvalho
author_role author
dc.contributor.advisor1.fl_str_mv Fernandes Júnior, Antônio Carlos Lopes
dc.contributor.advisor1Lattes.fl_str_mv 2586671440653430
dc.contributor.advisor-co1.fl_str_mv Santos, Wild Freitas da Silva
dc.contributor.advisor-co1Lattes.fl_str_mv http://lattes.cnpq.br/9155906167068438
dc.contributor.referee1.fl_str_mv Fernandes Júnior, Antônio Carlos Lopes
dc.contributor.referee1Lattes.fl_str_mv http://lattes.cnpq.br/2586671440653430
dc.contributor.referee2.fl_str_mv Silva, Kleber Freire da
dc.contributor.referee2Lattes.fl_str_mv http://lattes.cnpq.br/1660829826673297
dc.contributor.referee3.fl_str_mv Viana, Luiz Alberto Guimarães
dc.contributor.referee3Lattes.fl_str_mv http://lattes.cnpq.br/4552555694780012
dc.contributor.authorID.fl_str_mv 0009-0005-5908-1233
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/3753902969304129
dc.contributor.author.fl_str_mv Cerqueira, Matheus Oliver de Carvalho
contributor_str_mv Fernandes Júnior, Antônio Carlos Lopes
Santos, Wild Freitas da Silva
Fernandes Júnior, Antônio Carlos Lopes
Silva, Kleber Freire da
Viana, Luiz Alberto Guimarães
dc.subject.cnpq.fl_str_mv CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
topic CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
iluminação pública
redes neurais artificiais
Multilayer Perceptron
backpropagation
public street lighting
artificial neural networks
Multilayer Perceptron
back- propagation
dc.subject.por.fl_str_mv iluminação pública
redes neurais artificiais
Multilayer Perceptron
backpropagation
dc.subject.other.pt_BR.fl_str_mv public street lighting
artificial neural networks
Multilayer Perceptron
back- propagation
description A relevância da iluminação pública para vários aspectos cotidianos como segurança e mobilidade motiva a utilização de tecnologias que aperfeiçoem a prestação do serviço à população nas diversas fases de implementação. Como complemento aos softwares especializados em simulações, propõe-se, neste trabalho, utilizar técnicas de aprendizado de máquina para garantir a conformidade com os padrões de projetos, expostos na Norma Brasileira 5101. Explorando os conceitos relacionados a iluminação pública e redes neurais, são implementados Multilayer Perceptron (MLP) utilizando backpropagation, de regressão, para determinar parâmetros de Iluminância e sua uniformidade (requisitos parciais ao atendimento da norma) e classificação (que utiliza os valores de iluminância e sua uniformidade para definir adequação à norma). Os modelos são treinados e testados com parâmetros reais de configurações de malha e de dispositivos luminosos em simulações de projetos para informar se um conjunto de dados de projeto está adequado aos padrões estabelecidos pela norma. Os MLPs de regressão e classificação conseguiram MSE de 0,002 e 97,26% de acurácia, respectivamente.
publishDate 2023
dc.date.issued.fl_str_mv 2023-12-15
dc.date.accessioned.fl_str_mv 2024-07-30T01:50:41Z
dc.date.available.fl_str_mv 2024-07-30T01:50:41Z
dc.type.driver.fl_str_mv Bacharelado
info:eu-repo/semantics/bachelorThesis
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufba.br/handle/ri/39696
url https://repositorio.ufba.br/handle/ri/39696
dc.language.iso.fl_str_mv por
language por
dc.relation.references.pt_BR.fl_str_mv ASSOCIAÇÃO BRASILEIRA DA INDÚSTRIA DE ILUMINAÇÃO. Uso de LED pode reduzir em 50% o consumo de energia. 2015. Disponível em: <https://www.abilux.com. br/noticia/uso_de_led_pode_reduzir_em_50__o_consumo_de_energia/>. Citado na página 19. ASSOCIAÇÃO BRASILEIRA DA INDÚSTRIA DE ILUMINAÇÃO. Guia para Iluminação Pública - Volume 1. [S.l.], 2021. Disponível em: <https://www.abilux.com.br/ docs/Abilux_Guia_IluiminacaoPublica_2021_volume-01.pdf>. Citado 4 vezes nas páginas 19, 20, 27 e 29. ASSOCIAÇÃO BRASILEIRA DA INDÚSTRIA DE ILUMINAÇÃO. Guia para Iluminação Pública - Volume 2. [S.l.], 2021. Disponível em: <https://www.abilux.com.br/ docs/Abilux_Guia_IluiminacaoPublica_2021_volume-02.pdf>. Citado na página 29. ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. Norma Brasileira 5101: Iluminação pública - Procedimento. 2018. Disponível em: <www.abnt.org.br>. Citado 5 vezes nas páginas 19, 23, 24, 28 e 29. BAKRI, B. I. et al. USING DEEP LEARNING TO DESIGN AN INTELLIGENT CONTROLLER FOR STREET LIGHTING AND POWER CONSUMPTION. Eastern-European Journal of Enterprise Technologies, Technology Center, v. 3, n. 8-117, p. 25–31, 2022. ISSN 17294061. Disponível em: <https://www.researchgate.net/publication/ 361877154_Using_deep_learning_to_design_an_intelligent_controller_for_street_ lighting_and_power_consumption>. Citado na página 38. BENGIO, Y.; LECUN, Y. Convolutional Networks for Images, Speech, and Time-Series. [S.l.], 1997. Disponível em: <https://www.researchgate.net/publication/2453996>. Citado na página 38. CYBENKO, G. Approximation by superpositions of a sigmoidal function. Mathematics of Control, Signals and Systems, v. 2, n. 4, p. 303–314, 12 1989. Disponível em: <https://web.njit.edu/~usman/courses/cs675_fall18/10.1.1.441.7873.pdf>. Citado 2 vezes nas páginas 37 e 49. FACELI, K. et al. Inteligência artificial: uma abordagem de aprendizado de máquina. [S.l.]: LTC, 2011. Citado 15 vezes nas páginas 20, 30, 31, 32, 33, 34, 35, 36, 37, 41, 46, 47, 48, 49 e 52. GARCES-JIMENEZ, A. et al. Analysis of Artificial Neural Network Architectures for Modeling Smart Lighting Systems for Energy Savings. IEEE Access, Institute of Electrical and Electronics Engineers Inc., v. 7, p. 119881–119891, 2019. ISSN 21693536. Disponível em: <https://www.researchgate.net/publication/334778585_Analysis_of_ Artificial_Neural_Network_Architectures_for_Modeling_Smart_Lighting_Systems_ for_Energy_Savings>. Citado na página 39. GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning. Cambridge, MA, USA: MIT Press, 2016. Disponível em: <https://www.deeplearningbook.org/>. Citado 11 vezes nas páginas 30, 31, 32, 34, 35, 36, 37, 38, 41, 48 e 49. HUANG, G. B.; ZHU, Q. Y.; SIEW, C. K. Extreme learning machine: A new learning scheme of feedforward neural networks. In: IEEE International Conference on Neural Networks - Conference Proceedings. [s.n.], 2004. v. 2, p. 985–990. ISBN 0780383591. ISSN 10987576. Disponível em: <https://ieeexplore.ieee.org/document/1380068>. Citado na página 38. HUANG, G. B.; ZHU, Q. Y.; SIEW, C. K. Extreme learning machine: Theory and applications. Neurocomputing, v. 70, n. 1-3, p. 489–501, 12 2006. ISSN 09252312. Disponível em: <https://web.njit.edu/~usman/courses/cs675_fall19/ELM-NC-2006.pdf>. Citado 2 vezes nas páginas 38 e 41. LEE, Y.; ZHANG, H.; ROSA, J. Street Lamp Fault Diagnosis System Based on Extreme Learning Machine. In: IOP Conference Series: Materials Science and Engineering. Institute of Physics Publishing, 2019. v. 490, n. 4. ISSN 1757899X. Disponível em: <https://iopscience.iop.org/article/10.1088/1757-899X/490/4/042053/meta>. Citado na página 38. MCCULLOCH, W. S.; PITTS, W. A Logical Calculus of the Ideas Immanent in Nervous Activity. The Bulletin of Mathematical Biophysics, v. 5, n. 4, p. 115–133, 12 1943. ISSN 0007-4985. Disponível em: <http://link.springer.com/10.1007/BF02478259>. Citado 2 vezes nas páginas 32 e 35. MEYER, M. et al. Lighting Brazilian Cities: Business Models for Energy Efficient Public Street Lighting. Washington, DC, 2017. Disponível em: <http: //hdl.handle.net/10986/29537>. Citado na página 19. MINISTÉRIO DE MINAS E ENERGIA. Iluminação Pública. 2022. Disponível em: <https://www.gov.br/aneel/pt-br/assuntos/iluminacao-publica>. Citado na página 19. MINSKY, M.; PAPERT, S. A. Perceptrons. Cambridge, MA, USA: The MIT Press, 1969. Disponível em: <https://direct.mit.edu/books/book/3132/ perceptronsan-introduction-to-computational>. Citado na página 35. ML GLOSSARY. Activation Functions. 2017. Disponível em: <https://ml-cheatsheet. readthedocs.io/en/latest/activation_functions.html>. Citado 2 vezes nas páginas 32 e 33. MOHANDAS, P.; DHANARAJ, J. S. A.; GAO, X. Z. Artificial Neural Network based Smart and Energy Efficient Street Lighting System: A Case Study for Residential area in Hosur. Sustainable Cities and Society, Elsevier Ltd, v. 48, 7 2019. ISSN 22106707. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S2210670718317530>. Citado na página 39. NAHID, A. A.; MEHRABI, M. A.; KONG, Y. Histopathological Breast Cancer Image Classification by Deep Neural Network Techniques Guided by Local Clustering. BioMed Research International, v. 2018, 2018. Disponível em: <httpsapi.semanticscholar.orgCorpusID13872250>. Citado na página 30. NEOENERGIA. Iluminação Pública. 2021. Disponível em: <https://www.neoenergia. com/web/bahia/poder-publico/iluminacao-publica>. Citado na página 19. OPENAI. GPT-4 Technical Report. 2023. Disponível em: <https://arxiv.org/abs/2303. 08774>. Citado na página 30. PYTHON SOFTWARE FOUNDATION. Python 3.12.0 documentation. 2023. Disponível em: <https://docs.python.org/3/>. Citado na página 41. PYTORCH FOUNDATION. Pytorch Documentation. 2023. Disponível em: <https://pytorch.org/docs/stable/index.html>. Citado 3 vezes nas páginas 20, 41 e 48. QLUZ. ESG na modernização da iluminação pública. 2022. Disponível em: <https://www.qluzpalhoca.com.br/esg/>. Citado na página 19. ROSENBLATT, F. The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, v. 65, n. 6, p. 386–408, 1958. ISSN 1939-1471. Disponível em: <http://doi.apa.org/getdoi.cfm?doi=10.1037/h0042519>. Citado na página 35. RUMELHART, D. E.; HINTON, G. E.; WILLIAMS, R. J. Learning representations by back-propagating errors. nature, Nature Publishing Group UK London, v. 323, n. 6088, p. 533–536, 1986. Citado 2 vezes nas páginas 35 e 36. SANTOS, W. F. S.; COSTA, V. S. Street Lighting Simulation based on Extreme Learning Machine. [S.l.], 2023. Disponível em: <https://www.researchgate.net/publication/ 370466269>. Citado 2 vezes nas páginas 38 e 39. SCIKIT-LEARN PROJECT. User Guide. 2023. Disponível em: <https://scikit-learn.org/ stable/user_guide.html>. Citado 3 vezes nas páginas 41, 48 e 49. WANG, J. et al. A review on extreme learning machine. Multimedia Tools and Applications, Springer, v. 81, n. 29, p. 41611–41660, 12 2022. ISSN 15737721. Disponível em: <https://link.springer.com/article/10.1007/s11042-021-11007-7>. Citado na página 38.
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv UNIVERSIDADE FEDERAL DA BAHIA
ENGENHARIA DE COMPUTAÇÃO - NOTURNO
dc.publisher.initials.fl_str_mv UFBA
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Escola Politécnica
publisher.none.fl_str_mv UNIVERSIDADE FEDERAL DA BAHIA
ENGENHARIA DE COMPUTAÇÃO - NOTURNO
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFBA
instname:Universidade Federal da Bahia (UFBA)
instacron:UFBA
instname_str Universidade Federal da Bahia (UFBA)
instacron_str UFBA
institution UFBA
reponame_str Repositório Institucional da UFBA
collection Repositório Institucional da UFBA
bitstream.url.fl_str_mv https://repositorio.ufba.br/bitstream/ri/39696/1/TCC.pdf
https://repositorio.ufba.br/bitstream/ri/39696/2/license.txt
bitstream.checksum.fl_str_mv 9d07c781a66263f17b71a3dddde6c68f
d9b7566281c22d808dbf8f29ff0425c8
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA)
repository.mail.fl_str_mv
_version_ 1813275546374635520

Registros relacionados